CN109902575A - 基于无人驾驶车辆的防拐卖方法、装置及相关设备 - Google Patents

Abstract

一种基于无人驾驶车辆的防拐卖方法，包括：监测到有乘客乘坐时，获取乘客的面部图像；根据预先训练好的被拐人员识别模型计算乘客与已知的被拐人员的相似度；当相似度大于或等于预设相似度阈值时，将实时地理位置信息及乘客的面部图像发送至公安部门进行援救；当相似度小于预设相似度阈值时，根据预先训练好的异常行为识别模型判断乘客中是否有异常行为发生；当确定有异常行为发生时，将实时地理位置信息及所述发生异常行为的乘客的面部图像发送至远程服务器存储。本发明还提供一种基于无人驾驶车辆的防拐卖装置、无人驾驶车辆及存储介质。本发明不仅能够识别已知的被拐人员，还能够获取未知的被拐人员的实时地理位置，便于后续的援救。

Description

基于无人驾驶车辆的防拐卖方法、装置及相关设备

技术领域

本发明涉及无人驾驶技术领域，具体涉及一种基于无人驾驶车辆的防拐卖方法、装置、无人驾驶车辆及存储介质。

背景技术

当前对于被拐卖人员的寻找主要是通过被拐卖人员的家属、公安机关共同寻找，具体地，可以通过张贴寻人启事、电视广播寻人通知、互联网等渠道进行扩散，让越来越多的人了解被拐卖人员的特征来寻找。上述寻人方法需要比较多的人力。此外，依靠人们将所见到的人员的相貌与被拐卖人员的照片及相貌描述来判断是否为被拐人员，在这种方式下，有可能引起误判，带来不必要的纷争。

另外，随着无人驾驶车辆的发展，乘坐无人驾驶车辆的乘客将会越来越多。目前，虽然无人驾驶车辆上也有配备判断乘客是否为被拐卖人员的相关设施，即通过获取乘坐无人驾驶车辆的乘客的面部图像，并与各个已知的被拐人员的面部图像之间的相似度确定是否为被拐人员。然而，此种方法只能识别已知的被拐人员，对于已发生被拐但处于未知状态的被拐人员，即使乘坐无人驾驶车辆，也无法进行识别，因而起不到预防的作用，防拐卖效果较差。

发明内容

鉴于以上内容，有必要提出一种基于无人驾驶车辆的防拐卖方法、装置、无人驾驶车辆及存储介质，不仅能够识别已知的被拐人员，还能够获取未知的被拐人员的实时地理位置，便于后续的援救。

本发明的第一方面提供一种基于无人驾驶车辆的防拐卖方法，所述方法包括：

监测到有乘客乘坐时，获取所述乘客的面部图像；

根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度；

当所计算的相似度大于或者等于预设相似度阈值时，将所述无人驾驶车辆的实时地理位置信息及所述乘客的面部图像发送至公安部门进行援救；

当所计算的相似度小于所述预设相似度阈值时，根据预先训练好的异常行为识别模型判断所述乘客中是否有异常行为发生；

当确定有异常行为发生时，将所述无人驾驶车辆的实时地理位置信息及所述发生异常行为的乘客的面部图像发送至远程服务器进行存储。

优选地，当所述所计算的相似度大于或者等于预设相似度阈值时，所述方法还包括：

在所述乘客下车时，将所述乘客的面部图像及预设第一告警信息发送至其他无人驾驶车辆，使得所述其他无人驾驶车辆在监测到所述乘客乘坐时将实时地理位置信息及所述乘客的面部图像发送至所述公安部门。

优选地，在所述监测到有乘客乘坐之后，在所述获取所述乘客的面部图像之前，所述方法还包括：

判断所述乘客的数量是否为1；

当确定所述乘客的数量不为1时，获取每一个乘客的面部图像。

优选地，在确定所述乘客的数量为1时，所述方法还包括：

获取所述乘客的面部图像；

根据预先训练的违法犯罪人员识别模型，确定所述乘客是否为违法犯罪人员；

在确定所述乘客为违法犯罪人员及/或当所述乘客下车时，发送预设第二告警信息至所述乘客下车地点预设距离内的行人。

优选地，所述根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度包括：

每隔预定时间从所述远程服务器上下载所述预先训练好的被拐人员识别模型；

基于最新下载的所述预先训练好的被拐人员识别模型，计算每一个乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度。

优选地，所述异常行为识别模型的训练过程包括：

获取预设数量的人脸图片，将包含异常行为的人脸图片作为正样本图片集，并将不包含异常行为的人脸图片作为负样本图片集；

从所述正样本图片集和所述负样本图片集中分别提取出预设比例的人脸图片作为待训练的样本图片，并将所述正样本图片集和所述负样本图片集中剩余的人脸图片作为待验证的样本图片；

将各待训练的样本图片输入至残差神经网络模型中进行训练得到异常行为识别模型，并利用各待验证的样本图片对所训练得到的异常行为识别模型进行验证；

若验证通过率大于或者等于预设阈值时，则训练完成；否则，若验证通过率大于或者等于所述预设阈值时，增加待训练的样本图片的数量，以重新进行训练及验证。

优选地，所述方法还包括：

当监测到有乘客乘坐时，控制安装在所述无人驾驶车辆内部的高清数字图像采集设备开启并获取所述乘客的面部图像；

当监测到乘客下车时，控制所述高清数字图像采集设备关闭。

本发明的第二方面提供一种基于无人驾驶车辆的防拐卖装置，运行于无人驾驶车辆中，所述装置包括：

图像获取模块，用于监测到有乘客乘坐时，获取所述乘客的面部图像；

第一识别模块，用于根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度；

第一发送模块，用于当所计算的相似度大于或者等于预设相似度阈值时，将所述无人驾驶车辆的实时地理位置信息及所述乘客的面部图像发送至公安部门进行援救；

第二识别模块，用于当所计算的相似度小于所述预设相似度阈值时，根据预先训练好的异常行为识别模型判断所述乘客中是否有异常行为发生；

第二发送模块，用于当确定有异常行为发生时，将所述无人驾驶车辆的实时地理位置信息及所述发生异常行为的乘客的面部图像发送至远程服务器进行存储。

本发明的第三方面提供一种无人驾驶车辆，所述无人驾驶车辆包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述基于无人驾驶车辆的防拐卖方法。

本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于无人驾驶车辆的防拐卖方法。

本发明所述的基于无人驾驶车辆的防拐卖方法、装置、无人驾驶车辆及存储介质，能够在有乘客乘坐时，根据被拐人员识别模型确定乘坐无人驾驶车辆的乘客为已知被拐人员时，可实时将无人驾驶车辆的地理位置信息及所述乘客的面部图像发送至公安部门进行援救，而在根据被拐人员识别模型无法确定乘坐无人驾驶车辆的乘客是否为未知的被拐人员时，进一步通过异常行为识别模型判断乘客是否发生了异常行为，通过识别乘客发生异常行为来预防已发生被拐但处于未知状态的情况，并实时的将人驾驶车辆的地理位置信息及所述乘客的面部图像发送至远程服务器进行存储，以便远程服务器后续再次接收到其他无人驾驶车辆发生的相同的乘客的面部图像时，即可认定为有拐卖行为发生，进而通过公安部门进行援救。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本发明提供的基于无人驾驶车辆的防拐卖方法的应用环境示意图。

图2是本发明实施例一提供的基于无人驾驶车辆的防拐卖方法的流程图。

图3是本发明实施例二提供的基于无人驾驶车辆的防拐卖装置的功能模块图。

图4是本发明实施例三提供的无人驾驶车辆的示意图。

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

参阅图1所示，为本发明提供的基于无人驾驶车辆的防拐卖方法的应用环境示意图。

所述基于无人驾驶车辆的防拐卖方法可以应用在由无人驾驶车辆1、网络2、远程服务器3、终端设备4及公安部门5构成的应用环境中。

所述无人驾驶车辆1可以是各种类型的无人驾驶车辆，例如无人驾驶公交车、无人驾驶轿车等等。本实施例中，所述无人驾驶车辆1中安装有高清数字图像采集设备，所述高清数字图像采集设备可以是针孔摄像机，能够隐藏在无人驾驶车辆中，避免被乘客发现。所述高清数字图像采集设备采集乘坐所述无人驾驶车辆1的乘客的面部图像，并通过所述网络2向所述远程服务器3发送所述乘客的面部图像。同时，所述无人驾驶车辆1根据所述乘客的面部图像判断所述乘客是否为被拐人员。

所述网络2用以在所述无人驾驶车辆1和所述远程服务器3之间提供通信连接的介质。所述网络2可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

所述远程服务器3可以是提供各种服务的远程服务器，例如通过所述网络2向多个无人驾驶车辆1提供被拐人员识别模型，以及接收无人驾驶车辆1发送的乘客的面部图像的云端远程服务器。所述远程服务器3还可以通过所述网络2向所述终端设备4发送提示信息。

所述终端设备4上可以安装有各种通讯客户端应用，例如社交类应用等。所述终端设备4可以是寻找被拐卖人员的相关组织或相关人员所持的终端设备。终端设备4可以是具有显示屏并且支持无线通信的各种无人驾驶车辆，包括但不限于智能手机、平板电脑、膝上型便携计算机等等。

需要说明的是，本发明实施例中的基于无人驾驶车辆的防拐卖方法可以由所述无人驾驶车辆1执行，相应地，基于无人驾驶车辆的防拐卖装置一般设置于无人驾驶车辆1中。本发明实施例中的基于无人驾驶车辆的防拐卖方法也可以由所述远程服务器3执行，相应地，基于无人驾驶车辆的防拐卖装置一般设置于远程服务器3中。

应该理解，图1中的无人驾驶车辆、网络、远程服务器和终端设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的移动终端、网络、远程服务器和终端设备。在其他实施例中，所述方法的应用环境中还可以不包括所述终端设备。

实施例一

图2是本发明实施例一提供的基于无人驾驶车辆的防拐卖方法的流程图。所述基于无人驾驶车辆的防拐卖方法应用于无人驾驶车辆中，根据不同的需求，该流程图中的执行顺序可以改变，某些步骤可以省略。

S21：监测到有乘客乘坐时，获取所述乘客的面部图像。

无人驾驶车辆监测到有乘客乘坐时，通过安装在无人驾驶车辆内部的高清数字图像采集设备获取乘坐该无人驾驶车辆的乘客的面部图像。

优选的，所述方法包括：

当监测到有乘客乘坐时，控制安装在所述无人驾驶车辆内部的高清数字图像采集设备开启并获取所述乘客的面部图像；

当监测到乘客下车时，控制所述高清数字图像采集设备关闭。

本实施例中，当监测到有乘客乘坐时，控制所述高清数字图像采集设备开启后，所述高清数字图像采集设备获取乘坐该无人驾驶车辆的乘客的面部图像。当无人驾驶车辆没有监测到有乘客乘坐时，不需控制所述高清数字图像采集设备开启，或者当无人驾驶车辆监测到乘客下车时，控制所述高清数字图像采集设备关闭。通过在有乘客乘坐时，控制高清数字图像采集设备开启，在无人乘坐或者乘客下车后，控制高清数字图像采集设备关闭，可以避免高清数字图像采集设备一种处于工作状态，减少高清数字图像采集设备的耗电量，从而节约无人驾驶车辆的电量，延长无人驾驶车辆的续航时间。

S22：根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度。

具体的，所述根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像的相似度包括：

每隔预定时间从所述远程服务器上下载所述预先训练好的被拐人员识别模型；

基于最新下载的所述预先训练好的被拐人员识别模型，计算每一个乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度。

本实施例中，无人驾驶车辆可以每隔预定时间(例如24小时)通过网络从远程服务器(例如，云端服务器)上下载预先训练好的被拐人员识别模型，并基于预先训练好的被拐人员识别模型，对于乘坐的每一个乘客，计算每一个乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度。

在一些应用场景中，所述远程服务器可以通过网络与相关部门，例如公安部的远程服务器连接或者和公益寻人平台的远程服务器连接。所述远程服务器可以每隔预定时间从相关部门的远程服务器中或者从公益寻人平台的远程服务器中获取多个被拐人员的面部图像。所述被拐人员的面部图像可以包括从多个角度拍摄的面部图像。从相关部门的远程服务器中或者从公益寻人平台的远程服务器中获取的多个被拐人员的面部图像对应的被拐人员为已知的被拐人员，即已被知晓姓名等身份信息的被拐人员。

所述远程服务器在获取到多个已知的被拐人员的面部图像时，根据所述面部图像训练被拐人员识别模型。具体地，可以使用从相关部门的远程服务器或者从公益寻人平台的远程服务器中获取的已知的各个被拐人员的面部图像以及其他参考人脸图像对所述被拐人员识别模型进行训练。对被拐人员识别模型进行训练之后，所述被拐人员识别模型可以识别出新输入的人脸图像与所述已知的各个被拐人员面部图像之间的相似度。可以理解的是，随着不断地获取新增加的已知的被拐人员，可以对被拐人员识别模型持续地进行训练和更新，从而得到精确度较高的被拐人员识别模型。

所述远程服务器预先训练被拐人员识别模型的具体过程可以包括：

1)获取预设第一数量的已知的被拐人员的人脸图片，将所述预设数量的人脸图片划分为第一图片集和第二图片集；

2)从所述第一图片集和第二图片集中分别提取出预设第一比例的人脸图片作为待训练的样本图片，并将第一图片集和第二图片集中剩余的人脸图片作为待验证的样本图片；

3)将各待训练的样本图片输入至卷积神经网络模型中进行训练得到被拐人员识别模型，并利用各待验证的样本图片对所训练得到的被拐人员识别模型进行验证；

4)若验证通过率大于或者等于预设第一阈值，则训练完成，否则增加待训练的样本图片的数量，以重新进行训练及验证。

在第一次训练卷积神经网络模型时，所述卷积神经网络模型的参数采用默认的参数进行训练，在训练过程不断调整参数，在训练得到所述被拐人员识别模型后，利用各待验证的样本图片对所述被拐人员识别模型进行验证，如果验证通过率大于或者等于预设第一阈值，例如通过率大于或者等于98％，则训练结束，以该训练得到的被拐人员识别模型进行识别；如果验证通过率小于预设阈值，例如小于98％，则增加参与训练的人脸图片的数量，并重新执行上述的步骤，直至验证通过率大于或者等于预设第一阈值。在测试时，使用训练得到的被拐人员识别模型对测试集中的人脸图片进行识别，以评估所训练的被拐人员识别模型的识别效果。

S23：当所计算的相似度大于或者等于预设相似度阈值时，将所述无人驾驶车辆的实时地理位置信息及所述乘客的面部图像发送至公安部门进行援救。

本实施例中，无人驾驶车辆可以将获取的每一个乘客的面部图像输入至预先训练好的被拐人员识别模型中，并计算每一个乘客的面部图像与被拐人员的面部图像之间的相似度。当确定有一个乘客的面部图像之间的相似度大于或者等于预设相似度阈值时，即确定有拐卖行为发生，所述乘客中有已知的被拐人员。无人驾驶车辆可以通过网络将当前乘坐的所有乘客的面部图像及实时的地理位置信息发送至公安部门，也可以仅将当前乘坐的确定为已知的被拐人员的面部图像及实时的地理位置信息发送至公安部门，公安部门根据所述地理位置信息及所述乘客的面部图像进行援救。

当无人驾驶车辆确定任何一个乘客的面部图像之间的相似度小于预设相似度阈值时，则可以确定所述乘客中没有已知的被拐人员，但无法确定是否有拐卖行为发生，对于未知的被拐人员则无法通过被拐人员识别模型进行计算并做出判断，需执行S24进一步判断。

S24：当所计算的相似度小于预设相似度阈值时，根据预先训练好的异常行为识别模型判断所述乘客中是否有异常行为发生。

所述异常行为识别模型的训练过程包括：

1)获取预设第二数量的人脸图片，将包含异常行为的人脸图片作为正样本图片集，并将不包含异常行为的人脸图片作为负样本图片集；

所述异常行为可以包括，但不限于：紧张、恐惧、烦躁、哭泣、痛苦、掩面、痴呆、傻笑等。异常行为识别模型用于识别乘客的行为是否不符合自然或者是否异常，比如，乘客神情紧张、儿童不停的哭泣、乘客掩面等均属于不自然或不正常的行为。

2)从所述正样本图片集和负样本图片集中分别提取出预设第二比例的人脸图片作为待训练的样本图片，并将正样本图片集和负样本图片集中剩余的人脸图片作为待验证的样本图片；

3)将各待训练的样本图片输入至残差神经网络模型中进行训练得到异常行为识别模型，并利用各待验证的样本图片对所训练得到的异常行为识别模型进行验证；

4)若验证通过率大于或者等于预设第二阈值，则训练完成，否则增加待训练的样本图片的数量，以重新进行训练及验证。

示例性的，假设获取1万张包含异常行为的人脸图片和1万张不包含异常行为的人脸图片，分别提取包含异常行为的人脸图片和不包含异常行为的人脸图片中的预设第二比例的人脸图片作为训练集，并将剩余的人脸图片作为测试集，训练集中的人脸图片的数量大于测试集中的人脸图片的数量，例如分别将包含异常行为的人脸图像和不包含异常行为的人脸图片中的80％的人脸图片作为训练集，将剩余的20％的人脸图片作为测试集。

在第一次训练残差神经网络模型时，该残差神经网络模型的参数采用默认的参数进行训练，在训练过程不断调整参数，在训练得到异常行为识别模型后，利用各待验证的样本图片对所生成的异常行为识别模型进行验证，如果验证通过率大于或者等于预设阈值，例如通过率大于或者等于98％，则训练结束，以该训练得到的异常行为识别模型进行识别无人驾驶车辆中当前乘坐的乘客中是否有异常行为发生；如果验证通过率小于预设阈值，例如小于98％，则增加人脸图片的数量，并重新执行上述的步骤，直至验证通过率大于或者等于预设第二阈值。在测试时，使用训练得到的异常行为识别模型对测试集中的人脸图片进行异常行为识别，以评估所训练的卷积神经网络模型的识别效果。

本实施例中，当通过预先训练好的被拐人员识别模型计算出的乘客面部图像小于预设相似度阈值时，再将所述乘客的面部图像输入至预先训练好的异常行为识别模型中确定是否有异常行为发生。

当确定有异常行为发生时，执行步骤S25。

S25：将所述无人驾驶车辆的实时地理位置信息及所述发生异常行为的乘客的面部图像发送至远程服务器进行存储。

如果确定有异常行为发生，则无人驾驶车辆可以将实时地理位置信息及发生异常行为的乘客的面部图像发送至远程服务器进行存储。后续远程服务器再接收到其他无人驾驶车辆发送的异常行为信息时，判断当前确定的发生异常行为的乘客的面部图像与历史确定的发生异常行为的乘客的面部图像是否相同。若远程服务器判断当前确定的发生异常行为的乘客的面部图像与历史确定的发生异常行为的乘客的面部图像不相同时，认为当前乘坐的乘客为首次发生了异常行为。若远程服务器判断当前确定的发生异常行为的乘客的面部图像与历史确定的发生异常行为的乘客的面部图像相同时，则可通知公安进行援救。

在其他实施例中，远程服务器存储无人驾驶车辆的实时地理位置信息及所述发生异常行为的乘客的面部图像，后续在确定发生异常行为的乘客为已知被拐人员时，可根据所述实时地理位置信息辅助公安援救。

优选的，当所述所计算的相似度大于或者等于预设相似度阈值时，所述方法还包括：

在所述乘客下车时，将所述乘客的面部图像及预设第一告警信息发送至其他无人驾驶车辆，使得所述其他无人驾驶车辆在监测到所述乘客乘坐时将实时地理位置信息及所述乘客的面部图像发送至所述公安部门。

无人驾驶车辆在乘客下车时，将所述乘客的面部图像及预设第一告警信息发送至其他无人驾驶车辆，以便乘客通过不断的转乘其他无人驾驶车辆而避开搜索。所述预设第一告警信息可以是预设文字信息，例如，有被拐人员下车，请注意是否换乘其他无人驾驶车辆。

所述其他无人驾驶车辆在监测到乘客乘坐时，判断所述乘客是否为所述无人驾驶车辆发送的乘客。当确定所述乘客是否为所述无人驾驶车辆发送的乘客时，将实时地理位置信息及所述乘客的面部图像发送至所述公安部门。如此，有助于公安部门进行援救。

优选的，在所述监测到有乘客乘坐之后，在所述获取所述乘客的面部图像之前，所述方法还包括：

判断所述乘客的数量是否为1；

当确定所述乘客的数量不为1时，获取每一个乘客的面部图像。

本实施例中，在通过无人驾驶车辆监测到有乘客乘坐之后，可以通过无人驾驶车辆的高清数字图像采集设备检测所述乘客的人脸。应当理解的是，高清数字图像采集设备检测所述乘客的人脸的数量要么为1，要么为多个。

当检测到一张人脸时，认为只有一个乘客乘坐无人驾驶车辆，当检测到有多张人脸时，认为有多个乘客乘坐无人驾驶车辆。当确定所述乘客的数量不为1时，即至少有两个及两个以上的乘客乘坐无人驾驶车辆，则获取每一个乘客的面部图像。在确定所述乘客的数量为1的情况下，可以不必获取乘客的面部图像。如此还可以节约高清数字图像采集设备的工作量，节省高清数字图像采集设备上传乘客的面部图像至远程服务器时所需的网络资源，有利于提高其他无人驾驶车辆上传乘客的面部图像的速率。

优选的，在确定所述乘客的数量为1时，所述方法还可以包括：

获取乘客的面部图像；

根据预先训练的违法犯罪人员识别模型，确定所述乘客是否为违法犯罪人员；

在确定所述乘客为违法犯罪人员及/或当所述乘客下车时，发送预设第二告警信息至乘客下车地点预设距离内的行人。

无人驾驶车辆可以通过网络发送预设第二告警信息至乘客下车地点预设距离内的行人的终端设备。可以以短信的形式发送告警信息。预设第二告警信息可以是预设文字信息，例如，请看管好自己的随身物品或者小孩，有不明人员在附近。

本实施例中，通过预先训练违法犯罪人员识别模型，在确定所述乘客为违法犯罪人员时，发送预设告警信息至乘客下车附近的行人，以提示行人注意人身和财产安全，可有效的消除安全隐患，提高行人安全，有效的减少拐卖或者犯罪行为的发生。

需要说明的是，本发明实施例中的违法犯罪人员识别模型是通过获取公安系统的网上追逃、惯犯等的数据库中的人脸面部图像训练得到的，与被拐人员识别模型的训练过程类似，在此不再详细赘述。

综上所述，本发明实施例提供的所述基于无人驾驶车辆的防拐卖方法，监测到有乘客乘坐时，获取所述乘客的面部图像；根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像的相似度；当所计算的相似度大于或者等于预设相似度阈值时，将所述无人驾驶车辆的实时地理位置信息及所述乘客的面部图像发送至公安部门进行援救；当所计算的相似度小于预设相似度阈值时，根据预先训练好的异常行为识别模型判断所述乘客中是否有异常行为发生；当确定有异常行为发生时，将所述无人驾驶车辆的实时地理位置信息及所述发生异常行为的乘客的面部图像发送至远程服务器进行存储。本发明在有乘客乘坐时，根据被拐人员识别模型确定乘坐无人驾驶车辆的乘客为已知被拐人员时，可实时将无人驾驶车辆的地理位置信息及所述乘客的面部图像发送至公安部门进行援救，而在根据被拐人员识别模型无法确定乘坐无人驾驶车辆的乘客是否为未知的被拐人员时，进一步通过异常行为识别模型判断乘客是否发生了异常行为，通过识别乘客发生异常行为来预防已发生被拐但处于未知状态的情况，并实时的将人驾驶车辆的地理位置信息及所述乘客的面部图像发送至远程服务器进行存储，以便远程服务器后续再次接收到其他无人驾驶车辆发生的相同的乘客的面部图像时，即可认定为有拐卖行为发生，进而通过公安部门进行援救。

以上所述，仅是本发明的具体实施方式，但本发明的保护范围并不局限于此，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。

下面结合第3至4图，分别对实现上述基于无人驾驶车辆的防拐卖方法的无人驾驶车辆的功能模块及硬件结构进行介绍。

实施例二

图3为本发明基于无人驾驶车辆的防拐卖装置较佳实施例中的功能模块图。

在一些实施例中，所述基于无人驾驶车辆的防拐卖装置30运行于无人驾驶车辆中。所述基于无人驾驶车辆的防拐卖装置30可以包括多个由程序代码段所组成的功能模块。所述基于无人驾驶车辆的防拐卖装置30中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行(详见图2及其相关描述)基于无人驾驶车辆的防拐卖方法。

本实施例中，所述基于无人驾驶车辆的防拐卖装置30根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：图像获取模块301、开启控制模块302、第一识别模块303、第一发送模块304、第二识别模块305、第二发送模块306、第三发送模块307、数量判断模块308、第三识别模块309及第四发送模块310。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在一些实施例中，关于各模块的功能将在后续的实施例中详述。

图像获取模块301，用于监测到有乘客乘坐时，获取所述乘客的面部图像。

无人驾驶车辆监测到有乘客乘坐时，通过安装在无人驾驶车辆内部的高清数字图像采集设备获取乘坐该无人驾驶车辆的乘客的面部图像。

开启控制模块302，用于当监测到有乘客乘坐时，控制安装在所述无人驾驶车辆内部的高清数字图像采集设备开启并获取所述乘客的面部图像；当监测到乘客下车时，控制所述高清数字图像采集设备关闭。

本实施例中，当监测到有乘客乘坐时，控制所述高清数字图像采集设备开启后，所述高清数字图像采集设备获取乘坐该无人驾驶车辆的乘客的面部图像。当无人驾驶车辆没有监测到有乘客乘坐时，不需控制所述高清数字图像采集设备开启，或者当无人驾驶车辆监测到乘客下车时，控制所述高清数字图像采集设备关闭。通过在有乘客乘坐时，控制高清数字图像采集设备开启，在无人乘坐或者乘客下车后，控制高清数字图像采集设备关闭，可以避免高清数字图像采集设备一种处于工作状态，减少高清数字图像采集设备的耗电量，从而节约无人驾驶车辆的电量，延长无人驾驶车辆的续航时间。

第一识别模块303，用于根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度。

具体的，所述第一识别模块303根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像的相似度包括：

每隔预定时间从所述远程服务器上下载所述预先训练好的被拐人员识别模型；

基于最新下载的所述预先训练好的被拐人员识别模型，计算每一个乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度。

本实施例中，无人驾驶车辆可以每隔预定时间(例如24小时)通过网络从远程服务器(例如，云端服务器)上下载预先训练好的被拐人员识别模型，并基于预先训练好的被拐人员识别模型，对于乘坐的每一个乘客，计算每一个乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度。

在一些应用场景中，所述远程服务器可以通过网络与相关部门，例如公安部的远程服务器连接或者和公益寻人平台的远程服务器连接。所述远程服务器可以每隔预定时间从相关部门的远程服务器中或者从公益寻人平台的远程服务器中获取多个被拐人员的面部图像。所述被拐人员的面部图像可以包括从多个角度拍摄的面部图像。从相关部门的远程服务器中或者从公益寻人平台的远程服务器中获取的多个被拐人员的面部图像对应的被拐人员为已知的被拐人员，即已被知晓姓名等身份信息的被拐人员。

所述远程服务器在获取到多个已知的被拐人员的面部图像时，根据所述面部图像训练被拐人员识别模型。具体地，可以使用从相关部门的远程服务器或者从公益寻人平台的远程服务器中获取的已知的各个被拐人员的面部图像以及其他参考人脸图像对所述被拐人员识别模型进行训练。对被拐人员识别模型进行训练之后，所述被拐人员识别模型可以识别出新输入的人脸图像与所述已知的各个被拐人员面部图像之间的相似度。可以理解的是，随着不断地获取新增加的已知的被拐人员，可以对被拐人员识别模型持续地进行训练和更新，从而得到精确度较高的被拐人员识别模型。

所述远程服务器预先训练被拐人员识别模型的具体过程可以包括：

1)获取预设第一数量的已知的被拐人员的人脸图片，将所述预设数量的人脸图片划分为第一图片集和第二图片集；

2)从所述第一图片集和第二图片集中分别提取出预设第一比例的人脸图片作为待训练的样本图片，并将第一图片集和第二图片集中剩余的人脸图片作为待验证的样本图片；

3)将各待训练的样本图片输入至卷积神经网络模型中进行训练得到被拐人员识别模型，并利用各待验证的样本图片对所训练得到的被拐人员识别模型进行验证；

4)若验证通过率大于或者等于预设第一阈值，则训练完成，否则增加待训练的样本图片的数量，以重新进行训练及验证。

在第一次训练卷积神经网络模型时，所述卷积神经网络模型的参数采用默认的参数进行训练，在训练过程不断调整参数，在训练得到所述被拐人员识别模型后，利用各待验证的样本图片对所述被拐人员识别模型进行验证，如果验证通过率大于或者等于预设第一阈值，例如通过率大于或者等于98％，则训练结束，以该训练得到的被拐人员识别模型进行识别；如果验证通过率小于预设阈值，例如小于98％，则增加参与训练的人脸图片的数量，并重新执行上述的步骤，直至验证通过率大于或者等于预设第一阈值。在测试时，使用训练得到的被拐人员识别模型对测试集中的人脸图片进行识别，以评估所训练的被拐人员识别模型的识别效果。

第一发送模块304，用于当所计算的相似度大于或者等于预设相似度阈值时，将所述无人驾驶车辆的实时地理位置信息及所述乘客的面部图像发送至公安部门进行援救。

本实施例中，无人驾驶车辆可以将获取的每一个乘客的面部图像输入至预先训练好的被拐人员识别模型中，并计算每一个乘客的面部图像与被拐人员的面部图像之间的相似度。当确定有一个乘客的面部图像之间的相似度大于或者等于预设相似度阈值时，即确定有拐卖行为发生，所述乘客中有已知的被拐人员。无人驾驶车辆可以通过网络将当前乘坐的所有乘客的面部图像及实时的地理位置信息发送至公安部门，也可以仅将当前乘坐的确定为已知的被拐人员的面部图像及实时的地理位置信息发送至公安部门，公安部门根据所述地理位置信息及所述乘客的面部图像进行援救。

当无人驾驶车辆确定任何一个乘客的面部图像之间的相似度小于预设相似度阈值时，则可以确定所述乘客中没有已知的被拐人员，但无法确定是否有拐卖行为发生，对于未知的被拐人员则无法通过被拐人员识别模型进行计算并做出判断，需执行第二识别模块305进一步判断。

第二识别模块305，用于当所计算的相似度小于预设相似度阈值时，根据预先训练好的异常行为识别模型判断所述乘客中是否有异常行为发生。

所述异常行为识别模型的训练过程包括：

1)获取预设第二数量的人脸图片，将包含异常行为的人脸图片作为正样本图片集，并将不包含异常行为的人脸图片作为负样本图片集；

所述异常行为可以包括，但不限于：紧张、恐惧、烦躁、哭泣、痛苦、掩面、痴呆、傻笑等。异常行为识别模型用于识别乘客的行为是否不符合自然或者是否异常，比如，乘客神情紧张、儿童不停的哭泣、乘客掩面等均属于不自然或不正常的行为。

2)从所述正样本图片集和负样本图片集中分别提取出预设第二比例的人脸图片作为待训练的样本图片，并将正样本图片集和负样本图片集中剩余的人脸图片作为待验证的样本图片；

3)将各待训练的样本图片输入至残差神经网络模型中进行训练得到异常行为识别模型，并利用各待验证的样本图片对所训练得到的异常行为识别模型进行验证；

4)若验证通过率大于或者等于预设第二阈值，则训练完成，否则增加待训练的样本图片的数量，以重新进行训练及验证。

示例性的，假设获取1万张包含异常行为的人脸图片和1万张不包含异常行为的人脸图片，分别提取包含异常行为的人脸图片和不包含异常行为的人脸图片中的预设第二比例的人脸图片作为训练集，并将剩余的人脸图片作为测试集，训练集中的人脸图片的数量大于测试集中的人脸图片的数量，例如分别将包含异常行为的人脸图像和不包含异常行为的人脸图片中的80％的人脸图片作为训练集，将剩余的20％的人脸图片作为测试集。

在第一次训练残差神经网络模型时，该残差神经网络模型的参数采用默认的参数进行训练，在训练过程不断调整参数，在训练得到异常行为识别模型后，利用各待验证的样本图片对所生成的异常行为识别模型进行验证，如果验证通过率大于或者等于预设阈值，例如通过率大于或者等于98％，则训练结束，以该训练得到的异常行为识别模型进行识别无人驾驶车辆中当前乘坐的乘客中是否有异常行为发生；如果验证通过率小于预设阈值，例如小于98％，则增加人脸图片的数量，并重新执行上述的步骤，直至验证通过率大于或者等于预设第二阈值。在测试时，使用训练得到的异常行为识别模型对测试集中的人脸图片进行异常行为识别，以评估所训练的卷积神经网络模型的识别效果。

本实施例中，当通过预先训练好的被拐人员识别模型计算出的乘客面部图像小于预设相似度阈值时，再将所述乘客的面部图像输入至预先训练好的异常行为识别模型中确定是否有异常行为发生。

第二发送模块306，用于当确定有异常行为发生时，将所述无人驾驶车辆的实时地理位置信息及所述发生异常行为的乘客的面部图像发送至远程服务器进行存储。

如果确定有异常行为发生，则无人驾驶车辆可以将实时地理位置信息及发生异常行为的乘客的面部图像发送至远程服务器进行存储。后续远程服务器再接收到其他无人驾驶车辆发送的异常行为信息时，判断当前确定的发生异常行为的乘客的面部图像与历史确定的发生异常行为的乘客的面部图像是否相同。若远程服务器判断当前确定的发生异常行为的乘客的面部图像与历史确定的发生异常行为的乘客的面部图像不相同时，认为当前乘坐的乘客为首次发生了异常行为。若远程服务器判断当前确定的发生异常行为的乘客的面部图像与历史确定的发生异常行为的乘客的面部图像相同时，则可通知公安进行援救。

在其他实施例中，远程服务器存储无人驾驶车辆的实时地理位置信息及所述发生异常行为的乘客的面部图像，后续在确定发生异常行为的乘客为已知被拐人员时，可根据所述实时地理位置信息辅助公安援救。

优选的，所述基于无人驾驶车辆的防拐卖装置30还包括：

第三发送模块307，用于当所计算的相似度大于或者等于所述预设相似度阈值之后，在所述乘客下车时，将所述乘客的面部图像及预设第一告警信息发送至其他无人驾驶车辆，使得所述其他无人驾驶车辆在监测到所述乘客乘坐时将实时地理位置信息及所述乘客的面部图像发送至所述公安部门。

无人驾驶车辆在乘客下车时，将所述乘客的面部图像及预设第一告警信息发送至其他无人驾驶车辆，以便乘客通过不断的转乘其他无人驾驶车辆而避开搜索。所述预设第一告警信息可以是预设文字信息，例如，有被拐人员下车，请注意是否换乘其他无人驾驶车辆。

所述其他无人驾驶车辆在监测到乘客乘坐时，判断所述乘客是否为所述无人驾驶车辆发送的乘客。当确定所述乘客是否为所述无人驾驶车辆发送的乘客时，将实时地理位置信息及所述乘客的面部图像发送至所述公安部门。如此，有助于公安部门进行援救。

数量判断模块308，用于在所述监测到有乘客乘坐之后，在所述获取所述乘客的面部图像之前，判断所述乘客的数量是否为1。

所述图像获取模块301，还用于当所述数量判断模块308确定所述乘客的数量不为1时，获取每一个乘客的面部图像。

本实施例中，在通过无人驾驶车辆监测到有乘客乘坐之后，可以通过无人驾驶车辆的高清数字图像采集设备检测所述乘客的人脸。应当理解的是，高清数字图像采集设备检测所述乘客的人脸的数量要么为1，要么为多个。

当检测到一张人脸时，认为只有一个乘客乘坐无人驾驶车辆，当检测到有多张人脸时，认为有多个乘客乘坐无人驾驶车辆。当确定所述乘客的数量不为1时，即至少有两个及两个以上的乘客乘坐无人驾驶车辆，则获取每一个乘客的面部图像。在确定所述乘客的数量为1的情况下，可以不必获取乘客的面部图像。如此还可以节约高清数字图像采集设备的工作量，节省高清数字图像采集设备上传乘客的面部图像至远程服务器时所需的网络资源，有利于提高其他无人驾驶车辆上传乘客的面部图像的速率。

优选的，所述图像获取模块301，还用于在确定所述乘客的数量为1时，获取乘客的面部图像。

第三识别模块309，用于根据预先训练的违法犯罪人员识别模型，确定所述乘客是否为违法犯罪人员。

第四发送模块310，用于在确定所述乘客为违法犯罪人员及/或当所述乘客下车时，发送预设第二告警信息至乘客下车地点预设距离内的行人。

无人驾驶车辆可以通过网络发送预设第二告警信息至乘客下车地点预设距离内的行人的终端设备。可以以短信的形式发送告警信息。预设第二告警信息可以是预设文字信息，例如，请看管好自己的随身物品或者小孩，有不明人员在附近。

本实施例中，通过预先训练违法犯罪人员识别模型，在确定所述乘客为违法犯罪人员时，发送预设告警信息至乘客下车附近的行人，以提示行人注意人身和财产安全，可有效的消除安全隐患，提高行人安全，有效的减少拐卖或者犯罪行为的发生。

需要说明的是，本发明实施例中的违法犯罪人员识别模型是通过获取公安系统的网上追逃、惯犯等的数据库中的人脸面部图像训练得到的，与被拐人员识别模型的训练过程类似，在此不再详细赘述。

综上所述，本发明实施例提供的所述基于无人驾驶车辆的防拐卖装置，监测到有乘客乘坐时，获取所述乘客的面部图像；根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像的相似度；当所计算的相似度大于或者等于预设相似度阈值时，将所述无人驾驶车辆的实时地理位置信息及所述乘客的面部图像发送至公安部门进行援救；当所计算的相似度小于预设相似度阈值时，根据预先训练好的异常行为识别模型判断所述乘客中是否有异常行为发生；当确定有异常行为发生时，将所述无人驾驶车辆的实时地理位置信息及所述发生异常行为的乘客的面部图像发送至远程服务器进行存储。本发明在有乘客乘坐时，根据被拐人员识别模型确定乘坐无人驾驶车辆的乘客为已知被拐人员时，可实时将无人驾驶车辆的地理位置信息及所述乘客的面部图像发送至公安部门进行援救，而在根据被拐人员识别模型无法确定乘坐无人驾驶车辆的乘客是否为未知的被拐人员时，进一步通过异常行为识别模型判断乘客是否发生了异常行为，通过识别乘客发生异常行为来预防已发生被拐但处于未知状态的情况，并实时的将人驾驶车辆的地理位置信息及所述乘客的面部图像发送至远程服务器进行存储，以便远程服务器后续再次接收到其他无人驾驶车辆发生的相同的乘客的面部图像时，即可认定为有拐卖行为发生，进而通过公安部门进行援救。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，双屏设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。

实施例三

图4为本发明实施例三提供的无人驾驶车辆的示意图。

所述无人驾驶车辆4包括：车辆本体40、存储器41、至少一个处理器42、存储在所述存储器41中并可在所述至少一个处理器42上运行的计算机程序43及至少一条通讯总线44。

所述至少一个处理器42执行所述计算机程序43时实现上述方法实施例中的步骤。

示例性的，所述计算机程序43可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述至少一个处理器42执行，以完成本发明上述方法实施例中的步骤。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序43在所述无人驾驶车辆4中的执行过程。

所述无人驾驶车辆4可以是桌上型计算机、笔记本、掌上电脑及云端远程服务器等计算设备。本领域技术人员可以理解，所述示意图4仅仅是无人驾驶车辆4的示例，并不构成对无人驾驶车辆4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述无人驾驶车辆4还可以包括输入输出设备、网络接入设备、总线等。

所述至少一个处理器42可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件或者晶体管逻辑器件、分立硬件组件等。该处理器42可以是微处理器或者该处理器42也可以是任何常规的处理器等，所述处理器42是所述无人驾驶车辆4的控制中心，利用各种接口和线路连接整个无人驾驶车辆4的各个部分。

所述存储器41可用于存储所述计算机程序43和/或模块/单元，所述处理器42通过运行或执行存储在所述存储器41内的计算机程序和/或模块/单元，以及调用存储在存储器41内的数据，实现所述无人驾驶车辆4的各种功能。所述存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据无人驾驶车辆4的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述无人驾驶车辆4集成的模块/单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

在本发明所提供的几个实施例中，应该理解到，所揭露的无人驾驶车辆和方法，可以通过其它的方式实现。例如，以上所描述的无人驾驶车辆实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除单数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神范围。

Claims (10)

1.一种基于无人驾驶车辆的防拐卖方法，应用于无人驾驶车辆中，其特征在于，所述方法包括：

监测到有乘客乘坐时，获取所述乘客的面部图像；

根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度；

当所计算的相似度大于或者等于预设相似度阈值时，将所述无人驾驶车辆的实时地理位置信息及所述乘客的面部图像发送至公安部门进行援救；

当所计算的相似度小于所述预设相似度阈值时，根据预先训练好的异常行为识别模型判断所述乘客中是否有异常行为发生；

当确定有异常行为发生时，将所述无人驾驶车辆的实时地理位置信息及所述发生异常行为的乘客的面部图像发送至远程服务器进行存储。

2.如权利要求1所述的方法，其特征在于，当所述所计算的相似度大于或者等于预设相似度阈值时，所述方法还包括：

在所述乘客下车时，将所述乘客的面部图像及预设第一告警信息发送至其他无人驾驶车辆，使得所述其他无人驾驶车辆在监测到所述乘客乘坐时将实时地理位置信息及所述乘客的面部图像发送至所述公安部门。

3.如权利要求1所述的方法，其特征在于，在所述监测到有乘客乘坐之后，在所述获取所述乘客的面部图像之前，所述方法还包括：

判断所述乘客的数量是否为1；

当确定所述乘客的数量不为1时，获取每一个乘客的面部图像。

4.如权利要求3所述的方法，其特征在于，在确定所述乘客的数量为1时，所述方法还包括：

获取所述乘客的面部图像；

根据预先训练的违法犯罪人员识别模型，确定所述乘客是否为违法犯罪人员；

在确定所述乘客为违法犯罪人员及/或当所述乘客下车时，发送预设第二告警信息至所述乘客下车地点预设距离内的行人。

5.如权利要求1所述的方法，其特征在于，所述根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度包括：

每隔预定时间从所述远程服务器上下载所述预先训练好的被拐人员识别模型；

基于最新下载的所述预先训练好的被拐人员识别模型，计算每一个乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度。

6.如权利要求1所述的方法，其特征在于，所述异常行为识别模型的训练过程包括：

获取预设数量的人脸图片，将包含异常行为的人脸图片作为正样本图片集，并将不包含异常行为的人脸图片作为负样本图片集；

从所述正样本图片集和所述负样本图片集中分别提取出预设比例的人脸图片作为待训练的样本图片，并将所述正样本图片集和所述负样本图片集中剩余的人脸图片作为待验证的样本图片；

将各待训练的样本图片输入至残差神经网络模型中进行训练得到异常行为识别模型，并利用各待验证的样本图片对所训练得到的异常行为识别模型进行验证；

若验证通过率大于或者等于预设阈值时，则训练完成；否则，若验证通过率大于或者等于所述预设阈值时，增加待训练的样本图片的数量，以重新进行训练及验证。

7.如权利要求1所述的方法，其特征在于，所述方法还包括：

当监测到有乘客乘坐时，控制安装在所述无人驾驶车辆内部的高清数字图像采集设备开启并获取所述乘客的面部图像；

当监测到乘客下车时，控制所述高清数字图像采集设备关闭。

8.一种基于无人驾驶车辆的防拐卖装置，运行于无人驾驶车辆中，其特征在于，所述装置包括：

图像获取模块，用于监测到有乘客乘坐时，获取所述乘客的面部图像；

第一识别模块，用于根据预先训练好的被拐人员识别模型计算所述乘客的面部图像与各个已知的被拐人员的面部图像之间的相似度；

第一发送模块，用于当所计算的相似度大于或者等于预设相似度阈值时，将所述无人驾驶车辆的实时地理位置信息及所述乘客的面部图像发送至公安部门进行援救；

第二识别模块，用于当所计算的相似度小于所述预设相似度阈值时，根据预先训练好的异常行为识别模型判断所述乘客中是否有异常行为发生；

第二发送模块，用于当确定有异常行为发生时，将所述无人驾驶车辆的实时地理位置信息及所述发生异常行为的乘客的面部图像发送至远程服务器进行存储。

9.一种无人驾驶车辆，其特征在于，所述无人驾驶车辆包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的基于无人驾驶车辆的防拐卖方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于无人驾驶车辆的防拐卖方法。